图上多标签学习的注意力方法：一种消息传递视角
机器学习
2018-04-12 v2 人工智能
机器学习
摘要
我们解决一个很大程度上开放的问题：图上的多标签分类。与传统的向量输入不同，图具有丰富的变尺寸子结构，这些子结构以某种方式与标签相关。我们相信揭示这些关系可能是分类性能与可解释性的关键。我们引入 GAML（图注意力多标签学习，Graph Attentional Multi-Label learning），一种能高效处理该问题的新型图神经网络。GAML 将标签视为辅助节点，并与输入图联合建模。通过对标签节点与输入节点迭代地应用消息传递与注意力机制，GAML 能在多种分辨率尺度上捕捉标签与输入子结构之间的关系。此外，我们的模型可利用显式的标签依赖关系。由于我们所提出的层次化注意力，它还能随标签数量与图大小线性扩展。我们在包含图结构输入与经典非结构输入的广泛实验上评估 GAML。结果显示 GAML 显著优于其他竞争方法。重要的是，GAML 支持直观可视化，以更好理解标签-子结构关系并解释模型行为。
引用
@article{arxiv.1804.00293,
title = {Attentional Multilabel Learning over Graphs: A Message Passing Approach},
author = {Kien Do and Truyen Tran and Thin Nguyen and Svetha Venkatesh},
journal= {arXiv preprint arXiv:1804.00293},
year = {2018}
}